Google bigquery 使用字节数据类型的BigQueryUDF
我目前正在使用Javascript中的用户定义函数计算BigQuery中两个二进制字符串之间的汉明距离,我的模式非常简单:Google bigquery 使用字节数据类型的BigQueryUDF,google-bigquery,user-defined-functions,Google Bigquery,User Defined Functions,我目前正在使用Javascript中的用户定义函数计算BigQuery中两个二进制字符串之间的汉明距离,我的模式非常简单: row_id STRING descriptors BYTES REPEATED phash BYTES 我发现有点困惑的是,您显然将BigQuery中的字节作为Base64字符串处理,我导入了函数atob和btoa,因此我可以使用字节字符串的二进制形式,而不是Base64表示: 我的查询当前如下所示: CREATE TE
row_id STRING
descriptors BYTES REPEATED
phash BYTES
我发现有点困惑的是,您显然将BigQuery中的字节作为Base64字符串处理,我导入了函数atob和btoa,因此我可以使用字节字符串的二进制形式,而不是Base64表示:
我的查询当前如下所示:
CREATE TEMP FUNCTION f_PHASH_distance(ph1 BYTES, ph2 BYTES)
RETURNS INT64
LANGUAGE js AS
"""
return HammingDistance(ph1, ph2);
"""
OPTIONS (
library=["gs://test.appspot.com/HammingDistance.js",
"gs://test.appspot.com/btoa_atob.js"]
);
SELECT f_PHASH_distance(phash, CAST("9Slp3g9OgVI=" AS BYTES))
FROM ims.images WHERE row_id = "2333USX"
id=2333USX phash的行等于base64中的9Slp3g9OgVI=9Slp3g9OgVI,这意味着汉明距离为0。但我现在得到的不是0,而是BigQuery上的35
HammingDistance.js包含以下内容:
function HammingDistance(a, b){
var count = 0;
for(var i = 0; i < a.length; i++){
// calculate XOR between the two chars
var xor = a.charCodeAt(i) ^ b.charCodeAt(i);
// count number of 1's on the result
for(var j = 0; j < 16; j++){
//add if LSB is 1
count += xor % 2;
//right shift the variable
xor = xor >> 1;
}
}
return count;
}
/**
* Calculates the distance between two Perceptual hashes of two images encoded
* in base 64
*/
function PHASHDistance(a, b){
return HammingDistance(atob(a), atob(b));
}
在我的浏览器的JS控制台中进行测试,我确实得到了预期的结果。因此,我假设我对强制转换做了一些错误的事情,但是关于带有字节参数的UDF的文档非常少
任何帮助都将不胜感激。问题似乎在于您正在将9Slp3g9OgVI=强制转换为字节,而不是将其从base64转换为字节。我想你想要这个:
SELECT f_PHASH_distance(phash, FROM_BASE64("9Slp3g9OgVI="))
FROM ims.images WHERE row_id = "2333USX"
不过,您最好使用SQL函数而不是JavaScript函数,因为JavaScript通常不会那么快。下面是SQL中的汉明距离实现,假设字节长度相等:
#standardSQL
CREATE TEMP FUNCTION HammingDistance(b1 BYTES, b2 BYTES) AS (
BIT_COUNT(b1 ^ b2)
);
WITH Input AS (
SELECT b'defdef' AS bytes UNION ALL
SELECT b'123de4' UNION ALL
SELECT b'abc123'
)
SELECT HammingDistance(b'abcdef', bytes)
FROM Input;
它接受两个字节值的按位异或,然后检查有多少位不相同。如果有人在寻找解决方案,比较常规字符串而不是二进制字符串,就像这个问题一样,Elliot,SQL HammingDistance似乎有一个小问题,以下示例失败:创建临时函数HammingDistanceb1字节,b2字节为SELECT COUNTIFc!=0从UNNESTTO_代码_点B1^b2作为c;选择HammingDistanceFROM_BASE64MA==,FROM_BASE64Mw==MA==作为0b110000的基64表示形式,Mw==0b110011的基64表示形式。这种行为似乎源于这样一个事实:TO_CODE_POINTS返回一个字符数组,而不是一个位数组。使用BIT_COUNTb1^b2似乎可以解决这个问题。对不起,我以为这样做的目的是获取一个信号,表明每对字节是否匹配。我更新了我的答案,改为使用带xor的位计数。